Искусственный интеллект для нашей теплицы

Актуальность

Начинающие огородники, выращивающие томаты, могут столкнуться с проблемой резкого уменьшения урожайности из-за поражения томатов болезнью. Для того чтобы легче было определить, какая болезнь томатов присутствует в конкретном случае, мы решили разработать собственную программу, которая не только определяет заболевание, но и выдаёт рекомендации по его устранению.

Цель

Создать программу, которая может определить заболевания томатов по внешнему виду листьев и выдать рекомендации по дальнейшему уходу за растениями.

Задачи

1.         Изучить литературу по представленной теме.

2.         Создать базу изображений болезней томатов по внешнему виду листьев.

3.         Написать программу для обучения нейронной сети по определению болезней томатов по внешнему виду листьев.

4.         Провести исследования по определению наиболее подходящих параметров (топологии) нейронной сети для нахождения компромисса между качеством распознавания заболеваний томатов и скоростью её работы.

5.         Проанализировать результаты исследования.

6.         Апробировать нейронную сеть для определения болезней томатов на тестовой выборке изображений с болезнями томатов.

7.         Сформулировать выводы по результатам исследования.

8.         Создать программу, использующую обученную нейронную сеть для определения болезней томатов по изображению их листьев и выдачи рекомендаций по их уменьшению.

9.         Представить результаты работы одноклассникам.

Оснащение и оборудование, использованное при создании работы

• Компьютер
• Лупа
• Фотоаппарат

Описание

Автор изучил литературу по болезням томатов, классифицировал и собрал изображения в соответствии с классификацией. Выбрал топологии нейронной сети и разработал программу для её обучения. Провёл исследования эффективности разных топологий нейронных сетей. Наилучший результат показала свёрточная нейронная сеть с точностью 87 %.

Результаты работы/выводы

В результате анализа источников информации, разработки программы и проведения исследований были сформулированы следующие выводы.

Из рассмотренных видов нейронных сетей наибольшую точность в обучении показали свёрточные нейронные сети. Исследование с количеством слоёв и различными параметрами показало, что сильное увеличение количества связей не всегда приводит к лучшему результату.

В нашем случае лучший результат показала одна из самых простых топологий свёрточной нейронной сети следующего вида:

входные данные – 224x224x3 (RGB);

свёрточный слой – 32 фильтра с фреймом (2х2);

пуллинг – слой с фреймом (2х2);

слой с добавлением шумов;

слой уменьшения размерности данных;

персептрон с 32 нейронами;

выходной слой.

Продукт данной работы – разработанная программа для распознавания болезней томатов, определяемых по внешнему виду листьев, и выдачи рекомендаций по их лечению. В результате исследований и обучения нейронной сети удалось достигнуть точности распознавания 87%.

Перспективы использования результатов работы

В дальнейшем автор планирует увеличить количество изображений для обучения, что позволит повысить точность работы программы. Провести дополнительные исследования с другими топологиями нейронных сетей и различными параметрами, не затронутыми в данной работе, например, оптимизаторами. Расширить банк изображений томатов для определения болезней не только по внешнему виду листьев, но и по внешнему виду томатов и стеблей.

Добавить в программу блок распознавания образа листьев растения и подавать на вход нейронной сети только часть изображения с листом, это поможет исключить влияние посторонних предметов и шумов на точность распознавания заболевания.

Награды/достижения

Конференция «Наука для жизни» по направлению «Многообразие науки» – призёр

Мнение автора

«В процессе выполнения работы мною были получены новые знания, которые имеют практическое применение. В дальнейшем хотелось бы продолжать участие в Открытой городской научно-практической конференции. Спасибо организаторам за отлично проведённое мероприятие!»